نظام مراقبة ذكي للكشف عن السلوك البشري غير الطبيعي باستخدام التعلم العميق

الباحث

صباح عبدالعزيز جبر

المشرف

خالد علي حسين - حيدر كاظم حمود

الجامعة

الجامعة التكنولوجية

الكلية / القسم

قسم علوم الحاسوب / علوم الحاسوب

الشهادة

دكتوراه

السنة

2024

لغة الرسالة

انكليزي

الكلمات المفتاحية

Intelligent surveillance;Abnormal behavior detection;Deep learning;Video analysis

يشمل السلوك غير الطبيعي أي نشاط غير عادي أو غير متوقع ينحرف عن السلوكيات النموذجية داخل بيئة معينة، بما في ذلك الإجراءات النادرة أو غير النظامية التي تشير إلى تهديدات محتملة أو مشكلات تتعلق بالسلامة. يفرض اكتشاف السلوك البشري غير الطبيعي (AHBD) تحديات بسبب تعقيد الصورة والضوضاء والأفعال المتنوعة مثل العنف والسرقة وتدمير الممتلكات. لقد أظهر التعلم العميق (DL) أداءً رائعًا في هذا المجال. ومع lS فقد فشلت الدراسات السابقة في معالجة مسألة تعميم نماذج التعلم العميق عبر مهام اكتشاف السلوك البشري غير الطبيعي المختلفة دون الحاجة إلى التدريب من الصفر عند دمج مجموعة بيانات جديدة أو إضافة فئة شذوذ جديدة إلى النموذج الحالي. التدريب المستمر من الصفر يستغرق وقنًا طويلاًء ومكلقًا من الناحية الحسابية، وغير فعال. بالإضافة إلى ld يمثل تدريب نماذج التعلم العميق بكفاءة باستخدام مجموعات بيانات واسعة تحديات كبيرة من حيث الوقت والموارد الحسابية. ولمعالجة هذه القضاياء تقدم هذه الأطروحة أربعة أطر عمل جديدة باستخدام التعلم العميق: نهج دمج الميزات، ونهج التسلسلء ونهج التصنيف متعدد المهام، والإطار الشامل للتوزيع الآمن لبيانات التدريب. يستخدم نهج دمج الميزات أربعة نماذج من الشبكات العصبية التلافيفية (CNN) المدربة مسبقًا: <InceptionResNet s ،Inception s ،MobileNet ومه1امءه22. يجمع هذا النهج بين الميزات المستخرجة من نماذج CNN الأربعة من خلال دمج الميزات، مما يحسن تمثيل الميزات ويعزز الأداء. لقد حققت دقة قدرها 5317,354/ في مجموعة بيانات RLVS (الكشف عن 54,١ 5 ،(bial 3/ في مجموعة بيانات الهوكي (الكشف عن ،(biel و857,54// في مجموعة بيانات 17017 (الكشف عن السرقة من المتاجر). النهج الثاني، نهج التسلسل؛ هو إطار جديد للكشف عن الشذوذ متعدد السيناريوهات. ويمكنه دمج سيناريوهات مختلفة للحالات الشاذة دون الحاجة إلى التدريب من البداية لسيناريوهات إضافية. حقق هذا النهج دقة قدرها 738,07 في de gene بيانات RLVS و37,51/ في مجموعة بيانات الهوكي باستخدام مصنف واحد فقط, يوفر النهج الثالث، وهو نهج التصنيف متعدد المهام، ميزة كبيرة من خلال دمج فئات الشذوذ الجديدة في النموذج الحالي دون الحاجة إلى إعادة تدريب النموذج بأكمله من الصفر عند تقديم فئة شذوذ جديدة. حقق هذا النهج دقة قدرها 788,777 في كل من مجموعات بيانات JUCF 5 RLVS cl asi, تستفيد الأطروحة من الأساليب المقترحة لتقديم إطار شامل يهدف إلى تحسين كفاءة التدريب لنماذج التعلم عن بعدء Ley في ذلك توزيع وتشفير بيانات التدريب عبر عقد متعددة. يتضمن الاقتراح تقسيم مجموعة البيانات إلى col jal Bae مع تدريب كل شريحة بيانات بواسطة عقدة منفصلة. لا يعالج إطار العمل هذا التحديات التي يفرضها الوقت الكبير والموارد الحسابية في DE فحسبء بل يضمن أيضًا أمان الميزات المشتركة من خلال التشفير والتجزئة.

Abnormal behavior encompasses any unusual or unexpected activity deviating from typical behaviors within a specific environment, including rare or irregular actions signaling potential threats or safety issues. Detecting Abnormal Human Behavior (AHBD) poses challenges due to image complexity, noise, and diverse actions like violence, shoplifting, and property destruction. Deep Learning (DL) has demonstrated remarkable performance in this domain. However, previous studies have failed to address the issue of generalizing DL models across various AHBD tasks without the need to train from scratch when incorporating a new dataset or adding a new anomaly class into the existing model. Training constantly from scratch is time- consuming, computationally expensive, and inefficient. Additionally, efficiently training DL models with extensive datasets presents significant challenges in terms of time and computational resources. To address these issues, this dissertation introduces four proposed DL frameworks: a Feature Fusion Approach, a Concatenation Approach, a Multi-Task Classification Approach, and a Comprehensive Framework for the Secure Distribution of Training Data. The Feature Fusion Approach utilizes four pre-trained Convolutional Neural Network (CNN) models: MobileNet, Inception, InceptionResNet, and Xception. This approach combines features extracted from the four CNN models through feature fusion, which improves feature representation and enhances performance. It achieved an accuracy of 97.99% on the RLVS dataset (violence detection), 94.15% on the Hockey dataset (violence detection), and 83.59% on the UCF Dataset (shoplifting detection). The second approach, the Concatenation Approach, is a multi-scenario anomaly detection framework. It can incorporate various anomaly scenarios

طلب نسخة من الملف

الملفات غير منشورة على الموقع. اترك بياناتك وسيتواصل معك موظفو قسم الشؤون الثقافية والفنون لإرسال النسخة مجاناً.

الاسم

رقم الهاتف

البريد الإلكتروني

الغرض من الطلب (اختياري)

إرسال الطلب